Analisis Data
D. Analisis Data
Bab ini akan membahas analisis data dan hasil estimasi berdasarkan perilaku data time series. Data yang digunakan periode tahun 1994 – 2008. Pengolahan data menggunakan program komputer Eviews
4.0. Pembahasan dan analisis menggunakan uji secara statistik maupun secara ekonometri.
1. Uji Hipotesis I
a. Persamaan Regresi Linier Berganda Hasil Penelitian
Tabel 4.10
Hasil Estimasi Regresi Lionier Berganda Antara PDRB dengan Investasi, Inflasi dan Jumlah Unit Usaha
Dependent Variabel: LPDRB Method: Least Squares Date: 02/09/10 Time: 17:20 Sample: 1994 2008 Included observations: 15
Variabel
Coefficient
Std. Error
t-Statistic Prob.
0.924605 Mean dependent var 13.59852 Adjusted R-squared
0.904043 S.D. dependent var 0.693918 S.E. of regression
0.214955 Akaike info criterion -0.013602 Sum squared resid
0.508260 Schwarz criterion 0.175211 Log likelihood
44.96617 Durbin-Watson stat
4.102016 F-statistic
0.755273 Prob(F-statistic)
Sumber: Hasil olah data Eviews 4.0
Dengan demikian model persamaan regresi linier berganda yang diperoleh adalah : LPDRB= 11,76549 + 0,00000118INV + 0,006355INF + 0,0000309UNIT
Interpretasi : Setiap kenaikan investasi sebesar Rp 1.000.000 maka akan mengakibatkan kenaikan PDRB sebesar 0,00000118 persen, setiap kenaikan inflasi sebesar 1 persen maka akan mengakibatkan kenaikan PDRB sebesar 0,006355 persen, dan setiap kenaikan unit usaha sebesar 1 unit maka akan mengakibatkan kenaikan PDRB sebesar 0,0000309 persen.
b. Uji t (Uji Pengaruh Secara Parsial)
Tabel 4.11
Ringkasan Hasil Analisis Koefisien Regresi ( t-hitung) Variabel
Signifikan Inflasi
Tidak Signifikan Unit Usaha
Signifikan Sumber: Hasil olah data Eviews 4.0
Dari tabel diatas dapat dilihat bahwa variabel yang secara signifikan mempengaruhi besarnya PDRB sektor industri pengolahan adalah variabel investasi dan jumlah unit usaha. Setiap pertambahan investasi dan jumlah unit usaha maka akan mengakibatkan pertumbuhan PDRB sektor industri pengolahan. Untuk variabel inflasi menunjukan angka yang tidak signifikan, ini disebabkan karena besarnya inflasi Kabupaten Sukoharjo selama kurun waktu 1994-2008 menunjukan fluktuasi yang tidak menentu.
c. Uji F
Tabel 4.12 Ringkasan Hasil Uji F
R-squared 0.924605 Mean dependent var 13.59852 Adjusted R-squared 0.904043 S.D. dependent var 0.693918
S.E. of regression 0.214955 Akaike info criterion -0.013602 Sum squared resid 0.508260 Schwarz criterion 0.175211 Log likelihood 4.102016 F-statistic 44.96617 Durbin-Watson stat 0.755273 Prob(F-statistic) 0.000002
Sumber: Hasil olah data Eviews 4.0
Dari hasil pengolahan data diperoleh Fhitung sebesar 44.96617 dengan nilai probabilitas sebesar 0.000002. ini berarti bahwa menunjukan nilai yang signifikan karena nilai probabilitas lebih kecil dari 0,05, maka secara bersama-sama variabel independen berpengaruh terhadap vaiabel dependen. Jadi investasi, inflasi dan unit usaha secara bersama-sama berpengaruh terhadap pertumbuhan PDRB sektor industri pengolahan.
d. Koefisien Determinasi ( ) Kemudian untuk mengetahui persentase total variasi dari variabel
dependen yang dapat dijelaskan oleh variabel independen dalam model, maka digunakan koefisien determinasi ( ). Nilai
berkisar antara 0 sampai 1. Apabila
mendekati angka 1, ini menunjukan bahwa variasi variabel dependen secara bersama-sama dapat dijelaskan oleh variasi variabel independen. Sebaliknya jika nilai
mendekati angka 0, maka variasi dari
variabel dependen tidak dapat dijelaskan oleh variabel independen.
Dari pengujian yang telah dilakukan mengahsilkan nilai sebesar 0.924605; sehingga dapat dikatakan bahwa hasil pengujian yang dilakukan memberikan hasil yang cukup baik. Hal ini menunjukan bahwa sebesar 92,46% variasi variabel dependen dalam hal ini PDRB sektor industri pengolahan dapat dijelaskan oleh variabel independen yang terdiri dari investasi, inflasi dan jumlah unit usaha. Sedangkan 7,54% sisanya dijelaskan oleh variabel lain diluar model.
e. Uji Asumsi Klasik Model regresi yang digunakan akan menunjukan hubungan yang representative, apabila model regresi memenuhi asumsi dasar klasik regresi, yaitu uji autokorelasi, uji heteroskedastisitas dan uji multikolinieritas diantara variabel-variabel dalam model regresi tersebut.
1) Uji Autokorelasi
Adanya korelasi antara variabel gangguan sehingga penaksir tidak lagi efisien baik dalam sampel kecil maupun dalam sampel besar. Ada beberapa metode untuk menguji ada tidaknya masalah autokorelasi. Salah satu cara yang digunakan untuk menguji autokorelasi adalah dengan uji Breusch-Godfrey (B-G) Test, yang hasilnya seperti tabel dibawah ini:
Tabel 4.13 Hasil Uji Autokorelasi
Breusch-Godfrey Serial Correlation LM Test: F-statistic
0.077677 Obs*R-squared
Test Equation: Dependent Variabel: RESID Method: Least Squares Date: 02/09/10 Time: 17:26 Presample missing value lagged residuals set to zero.
Variabel
Coefficient
Std. Error
t-Statistic Prob.
C -0.012675
-0.262292 0.7990 RESID(-1)
2.577001 0.0698 RESID(-2)
0.433241 Mean dependent var 3.67E-15 Adjusted R-squared
0.118374 S.D. dependent var 0.190537 S.E. of regression
0.178904 Akaike info criterion -0.314756 Sum squared resid
0.288061 Schwarz criterion -0.031536 Log likelihood
1.375951 Durbin-Watson stat
8.360669 F-statistic
2.109276 Prob(F-statistic) 0.318620
Sumber: Hasil olah data Eviews 4.0
Dari hasil uji autokorelasi, diketahui bahwa nilai probabilitas lebih besar dari probabilitas 5%, maka hipotesa yang menyatakan pada model tidak terdapat autokorelasi tidak ditolak. Berarti model empirik lolos dari masalah autokorelasi.
2) Uji Heteroskedastisitas
Salah satu asumsi yang penting dari model regresi linier klasik adalah varian residul bersifat homoskedastik atau bersifat konstan. Asumsi ini tidak selalu realistis, karena sering terjadi pelonggaran asumsi klasik itu yang disebabkan varian residual tidak lagi bersifat konstan atau disebut terjadi masalah heteroskedastis. Heteroskedastis terjadi jika gangguan mutual Salah satu asumsi yang penting dari model regresi linier klasik adalah varian residul bersifat homoskedastik atau bersifat konstan. Asumsi ini tidak selalu realistis, karena sering terjadi pelonggaran asumsi klasik itu yang disebabkan varian residual tidak lagi bersifat konstan atau disebut terjadi masalah heteroskedastis. Heteroskedastis terjadi jika gangguan mutual
Pada penelitian ini akan menggunakan iji LM ARCH yaitu membandingkan nilai OBS*
tabel dengan df (jumlah regresor) dan α=5%, jika nilai OBS*
dengan
maka tidak signifikan secara statistic. Berarti hipotesa yang menyatakan bahwa model empirik
tidak terdapat masalah heteroskedastisitas tidak ditolak (Siti Aisyah Tri Rahayu, Modul Lab. Ekonometrika, 2007 : 106). Hasil dari uji LM ARCH adalah sperti tabel dibawah ini :
Tabel 4.14
Uji LM ARCH Untuk Menguji Heteroskedastisitas
ARCH Test: F-statistic
0.185377 Obs*R-squared
Test Equation: Dependent Variabel: RESID^2 Method: Least Squares Date: 02/09/10 Time: 17:27 Sample(adjusted): 1995 2008 Included observations: 14 after adjusting endpoints
Variabel
Coefficient
Std. Error
t-Statistic Prob.
1.948274 0.0752 RESID^2(-1)
0.141263 Mean dependent var 0.035356 Adjusted R-squared
0.069702 S.D. dependent var 0.030064 S.E. of regression
0.028997 Akaike info criterion -4.111660 Sum squared resid
0.010090 Schwarz criterion -4.020366 Log likelihood
1.974018 Durbin-Watson stat
30.78162 F-statistic
1.840045 Prob(F-statistic) 0.185377
Sumber: Hasil olah data Eviews 4.0
(df=1, α=5%)= 3,84 sedangkan nilai OBS*
Dari perhitungan diatas diperoleh
sebesar 1,977688 sehingga apabila dibandingkan maka OBS*
lebih kecil daripada . Hal ini menunjukan bahwa pada model ini tidak terdapat masalah
heteroskedastisitas.
3) Uji Multikolinieritas
Multikolinieritas dimaksudkan untuk melihat apakah ada hubungan diantara variabel yang menjelaskan. Cara paling mudah untuk mendeteksi ada atu tidaknya masalah multikolinieritas adalah dengan metode Auxillary Regresi, yaitu dengan melihat
nilai dan nilai . Apabila dari hasil pengujian statistic diperoleh
> berarti tidak ada masalah multikolinieritas, sedangkan jika < berarti terjadi masalah multikolinieritas. Selain itu juga dapat
menggunakan uji Klien. Berdasarkan uji Klien, maka untuk mendeteksi multikolinieritas pada beberapa variabel bebas, maka dilakukan Auxillary Regresi selama beberapa kali tergantung dari banyaknya variabel bebas tersebut. Langkah-langkah yang dilakukan adalah :
a) Lakukan estimasi regresi awal untuk memperoleh (sebagai
awal)
b) Lakukan regresi antar variable bebas untuk memperoleh (sebagai
regresi parsial) regresi parsial)
Tabel 4.15
Ringkasan Hasil Uji Regresi Multikolinieritas Keterkaitan
antar variabel
Keterangan independen
Tanda
Tidak terjadi X1 dgn X2,X3 0,924
multikolinieritas Tidak terjadi
X2 dgn X1,X3 0,924
multikolinieritas Tidak terjadi
X3 dgn X1,X2 0,924
multikolinieritas Sumber: Hasil olah data Eviews 4.0
Dari tabel diatas dapat ditunjukan bahwa untuk semua korelasi antar variabel independen memiliki
yang lebih kecil daripada
. Hal ini memberikan kesimpulan bahwa semua variabel independen memberikan pengaruh bebas dari masalah
multikolinieritas.
2. Uji Hipotesis II
a. Persamaan Regresi Linier Hasil Penelitian
Tabel 4.16
Hasil Regresi Antara Tenaga Kerja dengan PDRB
Dependent Variabel: LTK Method: Least Squares Date: 02/09/10 Time: 17:58 Sample: 1994 2008 Included observations: 15
Variabel
Coefficient
Std. Error
t-Statistic Prob.
0.535353 Mean dependent var 11.46832 Adjusted R-squared
0.499611 S.D. dependent var 0.442723 S.E. of regression
0.313174 Akaike info criterion 0.639452 Sum squared resid
1.275016 Schwarz criterion 0.733859 Log likelihood
14.97826 Durbin-Watson stat
-2.795889 F-statistic
0.954494 Prob(F-statistic) 0.001932
Sumber: Hasil olah data Eviews 4.0
Dengan demikian model persamaan regresi linier yang diperoleh adalah :
LTK = 5,120326 + 0,466815LPDRB Interpretasi: Setiap kenaikan PDRB sebesar 1 persen maka akan mengakibatkan penyerapan tenaga kerja meningkat sebesar 0,466815 persen.
b. Uji t
Tabel 4.17
Ringkasan Hasil Analisis Koefisien Regresi ( t-hitung) Variabel
t -hitung
Probabiliotas Keterangan
Signifikan Sumber: Hasil olah data Eviews 4.0
Dari tabel diatas maka dapat dilihat bahwa variabel PDRB sektor industri pengolahan secara signifikan mempengaruhi penyerapan tenaga kerja di Kabupaten Sukoharjo.
c. Koefisien Determinasi ( ) Dari pengujian yang telah dilakukan mengahsilkan nilai
sebesar 0.535353; sehingga dapat dikatakan bahwa hasil pengujian yang dilakukan memberikan hasil yang cukup baik. Hal ini menunjukan bahwa sebesar 53,53% variasi variabel dependen dalam hal ini penyerapan tenaga kerja dapat dijelaskan oleh variabel independen PDRB sektor industri pengolahan. Sedangkan 46,47% sisanya dijelaskan oleh variabel lain diluar model.